Biocomplejidad en Sistemas Agrarios
Las funciones multipropósito del ganado y la biodiversidad en los cultivos mixtos, entre otros temas, hacen de los sistemas agropecuarios una secuencia de relaciones entre componentes biológicos, fisicoquímicos, técnicos y sociales que requieren un enfoque de sistema complejo para optimizar el uso de recursos. Desde la década de los 60, la sostenibilidad ha sido una preocupación central para la agricultura debido a sus impactos en la producción y economía de alimentos, su uso generalizado de los recursos naturales y sus efectos en el medio ambiente y la salud. Esta preocupación ha conducido a la idea de agricultura sostenible que primero se centró en las dimensiones ambientales y luego se amplió para incluir dimensiones económicas y sociales. La evaluación holística de la sostenibilidad de los sistemas agrícolas es una de las respuestas que ayuda a formular mejores políticas, programas y prácticas, pero este tema de nuevo necesita herramientas de análisis de sistemas complejos.
Tratando los sistemas agrarios como un problema de la complejidad, se han desarrollado nuevos enfoques epistemológicos que intentan superar el análisis detallado y determinista, proponiendo modelos de análisis y una explicación basada en dinámica causal-mecanicista, que se centra en los modos de organización y donde las interacciones y la escala juegan un papel central. El comportamiento en de los sistemas agrarios no es de forma lineal, porque se refiere a bucles de retroalimentación que pueden explicar y predecir el comportamiento de cada elemento, el cual al verse afectado ejerce un impacto sobre los demás, como una red interconectada de información.
En nuestro grupo nos hemos centrado en:
- Leyes de escala que relacionan distintos niveles de agregación y las posibles estructuras subyacentes.
- Desarrollo de modelos predictivos basados en aprendizaje automático (machine learning y deep learning) para el análisis de grandes cantidades de datos complejos correspondientes a variables de distinta naturaleza.
- Patrones de recurrencia en sistemas agrarios mediante el análisis de series no lineales.
Estas herramientas las estamos aplicando a diversos temas como: análisis de las estructuras porosas del suelo, mapeo de índices de vegetación y propiedades del suelo, dinámica de pastizales en zonas semiáridas, deforestación, etc
Investigadores
Tesis
Alonso Jiménez, Carmelo (2022)
Técnicas multiescala en el seguimiento de la vegetación con imágenes de satélite. DOI: 10.20868/UPM.thesis.70528
Martín Sotoca, Juan José (2017)
Método de segmentación basado en la estructura fractal del mapa de singularidades : aplicación a imágenes de uso agrícola. DOI: 10.20868/UPM.thesis.48157
Publicaciones destacadas
- A.F. Almeida-Ñauñay, R.M. Benito, M. Quemada, J.C. Losada and A.M. Tarquis. Recurrence plots for quantifying the vegetation indices dynamics in a semi-arid grassland. Geoderma, 406, 115488, 2022, doi https://doi.org/10.1016/j.geoderma.2021.115488
- D. Rivas-Tabares, A. de Miguel, B. Willaarts and A.M. Tarquis. Self-organizing map of soil properties in the context of hydrological modelling. Applied Mathematical Modelling, 88, 2020, pp 175-189, doi https://doi.org/10.1016/j.apm.2020.06.044.
- I.G. Torre, Juan J. Martín-Sotoca, J.C. Losada, Pilar López, A.M. Tarquis. Scaling properties of binary and greyscale images in the context of X-ray soil tomography. Geoderma, 365, 114205, 2020, doi https://doi.org/10.1016/j.geoderma.2020.114205. J.Martín-Sotoca, A. Saa-Requejo, J. Borondo and A.M. Tarquis. Singularity maps applied to a vegetation index. Biosystems Engineering, 168, 2018, pp 42-53, doi https://doi.org/10.1016/j.biosystemseng.2017.08.008.
- J.Martín-Sotoca, A. Saa-Requejo, J. Borondo and A.M. Tarquis. Singularity maps applied to a vegetation index. Biosystems Engineering, 168, 2018, pp 42-53, doi https://doi.org/10.1016/j.biosystemseng.2017.08.008.
- S. Martin-Gutierrez, J. Borondo, A. J. Morales, J. C. Losada, A. M. Tarquis and R. M. Benito, “Agricultural activity shapes the mobility patterns in Senegal,” 2016 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM), 2016, pp. 634-641, doi: 10.1109/ASONAM.2016.7752303.